利用geopandas包对PostGIS数据库插入地理空间数据及性能对比

最近在使用Python中的geopandas包操作地理空间数据，由于数据量过大采用PostgreSQL中的PostGIS进行管理操作，最后查到了一些资料代码插入数据库，国内网上没有相关内容，这里分享一下，自己以后也需要对大批量数据操作，这里对比下不同数据量下的插入性能。

环境：

• 笔记本windows7 64位（内存8G） Python 3.5.2（Anaconda3）
• PostgreSQL 10 PostGIS 2.4.2
• geopandas 0.3.0 sqlalchemy 1.2.2 GeoAlchemy2 0.4.2

基本流程是生成n个随机的空间散点，然后对比下不同n取值下的插入效率，所有的代码如下：

import pandas as pd
import geopandas as gpd
import time,datetime
import numpy as np
import shapely
from geoalchemy2 import Geometry, WKTElement
from sqlalchemy import *

start = time.clock()
print(str(datetime.datetime.now()) + " : " + " start")
print('==================================================')

engine = create_engine('postgresql://postgres:password@localhost:5432/dbname', use_batch_mode=True)
df = pd.DataFrame()
size = 300000
df['id'] = range(0,size)
df['value1'] = np.random.randint(0, 100, size=size)
df['lon'] = np.random.randint(103000000, 105000000, size=size)/1000000
df['lat'] = np.random.randint(30000000, 35000000, size=size) / 1000000
geom = [shapely.geometry.Point(xy) for xy in zip(df.lon, df.lat)]
del df['lon']
del df['lat']
crs = {'init': 'epsg:4326'}
geodataframe = gpd.GeoDataFrame(df, crs=crs, geometry=geom)

time1 = time.clock()
print("生成: %f s" % (time1 - start))

geodataframe['geom'] = geodataframe['geometry'].apply(lambda x: WKTElement(x.wkt, 4326))
geodataframe.drop('geometry', 1, inplace=True)

time2 = time.clock()
print("修改geometry: %f s" % (time2 - time1))

geodataframe.to_sql('test1', engine, if_exists='replace',index=None,
                    dtype={'geom': Geometry('POINT', 4326)})

time3 = time.clock()
print("插入数据库: %f s" % (time3 - time2))

print('==================================================')
end = time.clock()
print(str(datetime.datetime.now()) + " : " + " end")
print("read: %f s" % (end - start))

整个代码大体分为三部分:

1. 首先生成包含包括经纬度、id和value1等列的pandas，再加入WGS84投影转为geodataframe
2. 第二步是将geodataframe中的geometry转换格式，由于geopandas中使用的是shapley的point格式，而PostGIS中使用的是geoalchemy2中的point（或者说插入数据需要使用geoalchemy2格式）
3. 第三步是将geodataframe插入PostGIS中，由于geopandas是基于pandas的，可以直接使用to_sql()方法

n的取值分别取了10000,50000,100000,300000，600000，每个数据n做了五次插入操作取平均时间，用时如下：

点数	第一步用时（秒）	第二步用时（秒）	第三步用时（秒）	总时（秒）
10000	0.1026874	0.680406	0.7250086	1.508102
50000	0.482665	3.4194326	3.1843962	7.0864938
100000	0.9553178	7.1201478	6.0992024	14.174668
300000	2.8992882	20.3128242	20.0280164	43.2401288
600000	5.8130978	41.9948676	34.2658338	85.6515864

我们可以用图表查看趋势

显然第一步花费的时间最少，第二步与第三步的时间基本持平。第三步的时间与to_sql()效率相关，而插入PostGIS采用了sqlalchemy 的create_engine，该包在1.2版本上加入了use_batch_mode方法，设置use_batch_mode=True能加速插入速度。

第二步的时间是我一直想削减的时间，它随着数据量的增大而超越了第三步的时间，实际上是因为它对每一个空间点都执行了WKTElement(x.wkt, 4326)操作，就是转换了geom类型，从代码上看很简单，但是从运行时间上看是一个阻碍，国外有另一种插入代码可以跳过这个步骤，但是这种插入只能插入一次，如果想下次为该表追加内容就会报错，具体可以看Write GeoDataFrame into SQL Database，如果有哪位知道削减这一步时间同时能保持表的追加，还请不吝赐教。

---

2018-3-10编辑更新
关于快速导入空间数据可以使用copy功能，参考我的博客“PostGIS快速导入大量点空间数据及最近邻要素跨表查询”